本發(fā)明涉及風電機組控制，具體為一種基于風速風向動態(tài)變化的風電機組控制尋優(yōu)方法。

背景技術：

1、在風力發(fā)電領域，風電機組的高效穩(wěn)定運行對于提升發(fā)電效益、降低成本至關重要。然而，風場環(huán)境復雜多變，風速和風向的動態(tài)變化給風電機組的控制帶來了巨大挑戰(zhàn)。

2、傳統(tǒng)風電機組控制方法大多基于固定參數(shù)或簡單的經驗模型，難以適應復雜的風況。例如，在風速波動頻繁的情況下，固定槳距角和偏航角度的設置無法及時調整機組姿態(tài)，導致風能捕獲效率低下。而且，這種“一刀切”的控制方式沒有充分考慮不同風場的獨特性，無法根據(jù)當?shù)氐臍庀髼l件和地理環(huán)境進行優(yōu)化，使得風電機組在實際運行中常常處于非最優(yōu)狀態(tài)。

3、此外，風電機組的載荷與發(fā)電效率之間存在復雜的權衡關系。在追求高發(fā)電效率時，機組可能承受過大的載荷，加速部件磨損，縮短設備使用壽命，增加維護成本；反之，過度關注載荷控制，又會犧牲發(fā)電效率，降低經濟效益?，F(xiàn)有技術往往難以在兩者之間找到最佳平衡點，導致風電機組整體性能無法充分發(fā)揮。

4、同時，隨著風電場規(guī)模的不斷擴大，多機組協(xié)同運行的需求日益凸顯。但目前多機組之間缺乏有效的協(xié)同控制機制，機組之間相互干擾，無法形成高效的發(fā)電集群。例如，在風向變化時，相鄰機組的偏航動作可能相互影響，導致風能捕獲效率降低，甚至引發(fā)機組故障。

5、另外，對風場的實時監(jiān)測和準確預測技術也有待完善?，F(xiàn)有的監(jiān)測設備和方法獲取的風場數(shù)據(jù)不夠全面和精確，難以反映風場的細微變化和復雜特性。這使得風電機組在響應風況變化時存在滯后性，無法及時調整控制策略，進一步影響了機組的發(fā)電效率和穩(wěn)定性。

6、隨著風力發(fā)電在能源領域的地位逐漸提升，對風電機組控制技術的要求也越來越高?，F(xiàn)有的控制方法在應對風速風向動態(tài)變化、平衡機組載荷與發(fā)電效率、實現(xiàn)多機組協(xié)同運行以及準確監(jiān)測和預測風場等方面存在諸多不足，迫切需要一種更加智能、高效的控制尋優(yōu)方法來提升風電機組的整體性能，滿足不斷增長的能源需求。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供基于風速風向動態(tài)變化的風電機組控制尋優(yōu)方法，以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種基于風速風向動態(tài)變化的風電機組控制尋優(yōu)方法，所述方法包括：

3、接收目標風場的實時風速時序數(shù)據(jù)及三維風向矢量場數(shù)據(jù)，所述三維風向矢量場數(shù)據(jù)包括激光雷達測風點云及大氣邊界層湍流譜；

4、基于時空卷積神經網絡構建風場動態(tài)解析模型，對所述實時數(shù)據(jù)進行多尺度特征提取與融合，生成風場能量密度分布矩陣；

5、根據(jù)所述能量密度分布矩陣，構建多目標自適應尋優(yōu)模型，生成機組控制參數(shù)指令集，所述指令集包括偏航角度調整序列與葉片槳距角優(yōu)化策略；

6、基于預設的機組載荷-發(fā)電效率平衡方程，模擬未來預設時間窗口內機組運行狀態(tài)的動態(tài)博弈關系，并優(yōu)化所述控制參數(shù)指令集中的協(xié)同調節(jié)系數(shù)；

7、通過貝葉斯優(yōu)化框架迭代更新所述協(xié)同調節(jié)系數(shù)，輸出最優(yōu)控制動作序列至風電機組主控系統(tǒng)。

8、優(yōu)選的，所述風場動態(tài)解析模型的構建步驟包括：

9、采集多氣象條件下的歷史風場數(shù)據(jù)集，構建包含風速脈動特征、風向切變梯度及機組響應延遲時間的多維訓練樣本；

10、通過預構建的深度概率圖模型對所述多維訓練樣本進行隱變量推斷，提取風場主導模態(tài)與隨機擾動因子的獨立表征；

11、結合納維-斯托克斯方程簡化形式，構建風場演化過程的偏微分約束條件；

12、將所述偏微分約束條件嵌入時空卷積神經網絡的殘差模塊，生成支持在線更新的所述風場動態(tài)解析模型。

13、優(yōu)選的，所述多目標自適應尋優(yōu)模型包括：

14、根據(jù)所述能量密度分布矩陣的時空變化率，動態(tài)劃分風能捕獲優(yōu)先級區(qū)域；

15、基于機組機械疲勞累積指數(shù)與電網調度需求曲線，計算控制策略的收益-風險權衡評分；

16、將所述權衡評分與優(yōu)先級區(qū)域通過sigmoid函數(shù)進行非線性加權，生成機組特異性控制閾值；

17、根據(jù)所述閾值觸發(fā)多級調節(jié)模式的切換條件。

18、優(yōu)選的，所述機組載荷-發(fā)電效率平衡方程的構建步驟包括：

19、采集機組運行狀態(tài)參數(shù)與結構應力監(jiān)測數(shù)據(jù)，構建載荷-功率映射關系數(shù)據(jù)集；

20、通過模糊邏輯控制器生成葉片氣動載荷的隸屬度函數(shù)及發(fā)電效率的模糊規(guī)則庫；

21、結合多目標遺傳算法構建帕累托前沿搜索空間，量化控制參數(shù)間的沖突強度；

22、將所述沖突強度與實時風場擾動因子輸入動態(tài)博弈網絡，生成所述機組載荷-發(fā)電效率平衡方程。

23、優(yōu)選的，所述方法還包括：

24、根據(jù)所述動態(tài)博弈網絡的模擬結果，識別關鍵參數(shù)耦合節(jié)點；

25、在所述控制參數(shù)指令集中為所述節(jié)點配置博弈均衡策略；

26、基于所述均衡策略，自動生成多機組協(xié)同控制方案，包括偏航系統(tǒng)相位同步指令與槳距角差異補償策略。

27、優(yōu)選的，所述收益-風險權衡評分的計算包括：

28、獲取機組軸承振動頻譜與齒輪箱油溫時序數(shù)據(jù)，構建機械健康狀態(tài)評估張量；

29、通過張量分解算法提取多維特征的主成分權重；

30、將所述主成分權重與所述評估張量進行雙線性池化運算，得到綜合權衡評分；

31、其中，所述綜合權衡評分的計算公式為：

32、

33、式中，γ表示綜合權衡評分數(shù)值，αk表示第k類機械部件的疲勞損傷系數(shù)，βk表示第k類部件的維護成本權重，γ表示機組基礎可靠性常量，m表示機械部件分類總數(shù)。

34、優(yōu)選的，所述偏微分約束條件的嵌入包括：

35、對所述隱變量推斷結果進行李群對稱性分析，篩選物理相容的風場演化路徑；

36、通過隨機微分方程采樣生成符合流體力學約束的特征演化軌跡；

37、利用軌跡數(shù)據(jù)對時空卷積神經網絡的卷積核進行正則化訓練，確保模型輸出符合大氣運動規(guī)律。

38、優(yōu)選的，所述貝葉斯優(yōu)化框架的執(zhí)行包括：

39、定義高斯過程先驗分布函數(shù)，包含控制參數(shù)探索與利用的平衡因子；

40、通過期望提升采集函數(shù)選擇最優(yōu)候選參數(shù)組合；

41、在每輪迭代中，根據(jù)參數(shù)不確定度動態(tài)調整協(xié)方差矩陣的超參數(shù)；

42、輸出滿足全局收斂條件的所述最優(yōu)控制動作序列。

43、優(yōu)選的，所述方法還包括：

44、在配置所述博弈均衡策略后，實時監(jiān)測關鍵參數(shù)耦合節(jié)點的靈敏度指標；

45、若靈敏度指標超過預設閾值，則觸發(fā)模擬退火優(yōu)化機制，重新規(guī)劃多機組協(xié)同的時空相位差方案。

46、優(yōu)選的，所述平衡因子的量化包括：

47、建立控制參數(shù)置信區(qū)間的動態(tài)收縮模型，定義過擬合懲罰函數(shù)；

48、根據(jù)風場預測誤差分布，計算各維度參數(shù)的信息熵增益值；

49、將所述信息熵增益值作為采集函數(shù)的自適應調節(jié)系數(shù)；

50、其中，所述動態(tài)收縮模型的計算公式為：

51、

52、式中，η表示平衡因子數(shù)值，λ(τ)表示第τ維參數(shù)的初始置信度，ν(τ)表示收縮速率系數(shù)，δ(τ,t)表示t時刻的參數(shù)激活狀態(tài)指示函數(shù)，s表示參數(shù)維度總數(shù)。

53、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

54、從風場數(shù)據(jù)處理與分析角度來看，通過接收目標風場的實時風速時序數(shù)據(jù)及三維風向矢量場數(shù)據(jù)，結合時空卷積神經網絡構建風場動態(tài)解析模型，能夠對復雜的風場數(shù)據(jù)進行多尺度特征提取與融合。這一過程不僅能夠精準捕捉風場在不同時間和空間尺度上的變化特征，生成準確的風場能量密度分布矩陣，為后續(xù)的控制決策提供了全面、可靠的數(shù)據(jù)支持。與傳統(tǒng)方法相比，不再局限于簡單的風速和風向測量值，而是深入挖掘數(shù)據(jù)背后的風場動態(tài)特性，極大地提升了對風場環(huán)境的感知能力。

55、在控制模型構建與優(yōu)化方面，基于能量密度分布矩陣構建的多目標自適應尋優(yōu)模型，能根據(jù)風場實際情況動態(tài)劃分風能捕獲優(yōu)先級區(qū)域。這意味著風電機組可以更加智能地在風能富集區(qū)域進行高效捕獲，避免在低能區(qū)域浪費資源。同時，通過綜合考慮機組機械疲勞累積指數(shù)與電網調度需求曲線計算收益-風險權衡評分，并結合sigmoid函數(shù)生成機組特異性控制閾值，有效平衡了機組運行過程中的發(fā)電效率與機械健康風險。這種精細化的控制策略可以減少機組不必要的磨損，延長設備使用壽命，降低維護成本，同時滿足電網對電力供應的穩(wěn)定性和靈活性需求。

56、針對機組載荷與發(fā)電效率的平衡難題，本發(fā)明通過構建機組載荷-發(fā)電效率平衡方程，模擬未來預設時間窗口內機組運行狀態(tài)的動態(tài)博弈關系，并優(yōu)化協(xié)同調節(jié)系數(shù)。這一創(chuàng)新方法能夠在不同風況下找到機組載荷與發(fā)電效率的最佳平衡點，避免了為追求單一目標而犧牲另一目標的情況。在高風速時，既能保證機組安全穩(wěn)定運行，控制載荷在合理范圍內，又能盡可能提高發(fā)電效率；在低風速時，通過優(yōu)化控制參數(shù)，提高風能捕獲能力，增加發(fā)電量。這種精準的平衡控制有效提升了風電機組的整體經濟效益和運行可靠性。

57、在多機組協(xié)同控制方面，根據(jù)動態(tài)博弈網絡的模擬結果識別關鍵參數(shù)耦合節(jié)點，配置博弈均衡策略，進而自動生成多機組協(xié)同控制方案，包括偏航系統(tǒng)相位同步指令與槳距角差異補償策略。這使得風電場中的多臺機組能夠相互協(xié)作，減少尾流干擾，提高整體風能捕獲效率。相比傳統(tǒng)的獨立控制方式，多機組協(xié)同控制能夠充分利用風場資源，提升風電場的發(fā)電總量，增強電力供應的穩(wěn)定性和可靠性。

58、在優(yōu)化算法應用上，借助貝葉斯優(yōu)化框架迭代更新協(xié)同調節(jié)系數(shù)，不斷尋找最優(yōu)控制動作序列。貝葉斯優(yōu)化框架能夠有效平衡控制參數(shù)的探索與利用，在保證全局搜索能力的同時，快速收斂到最優(yōu)解附近。通過動態(tài)調整協(xié)方差矩陣的超參數(shù)，根據(jù)風場預測誤差分布自適應優(yōu)化，進一步提高了控制尋優(yōu)的準確性和效率。這種高效的優(yōu)化算法確保了風電機組在復雜多變的風場環(huán)境中始終保持最佳運行狀態(tài)，實現(xiàn)了對風能的最大化利用。